Synergizing Decision Making and Trajectory Planning Using Two-Stage Optimization for Autonomous Vehicles

要約

このペーパーでは、自動運転に向けた意思決定モジュールと軌道計画モジュールを相乗させるローカル プランナーを紹介します。
意思決定と軌道計画のタスクは、統合された目的関数を使用した非線形計画問題として共同で定式化されます。
ただし、離散決定変数を連続軌道最適化に統合すると、固有の非線形性と非凸性を伴う混合整数計画法 (MIP) 問題が発生します。
問題を解決する際の課題に対処するために、元の問題は 2 つのサブステージに分解され、2 ステージの結果の一貫性を確保するために 2 ステージ最適化 (TSO) ベースのアプローチが提示されます。
最初の段階の最適化問題は、情報に基づいた初期化として機能する最適な決定シーケンスを決定します。
第 1 段階の出力を利用して、第 2 段階では、高忠実度の車両モデルを使用し、軌道計画問題の一部として衝突回避制約を厳密に適用する必要があります。
さまざまなマルチレーン シナリオにわたって、提案したプランナーの有効性を評価します。
結果は、提案されたプランナーが一連の最適な決定とそれに対応する軌道を同時に生成し、代替方法と比較して運転の安全性と走行効率の点で運転パフォーマンスを大幅に向上させることを示しています。
さらに、CARLA で閉ループ シミュレーションを実装し、その結果は、提案したプランナーが高い計算効率で変化する運転状況に適応する有効性を示しています。

要約(オリジナル)

This paper introduces a local planner that synergizes the decision making and trajectory planning modules towards autonomous driving. The decision making and trajectory planning tasks are jointly formulated as a nonlinear programming problem with an integrated objective function. However, integrating the discrete decision variables into the continuous trajectory optimization leads to a mixed-integer programming (MIP) problem with inherent nonlinearity and nonconvexity. To address the challenge in solving the problem, the original problem is decomposed into two sub-stages, and a two-stage optimization (TSO) based approach is presented to ensure the coherence in outcomes for the two stages. The optimization problem in the first stage determines the optimal decision sequence that acts as an informed initialization. With the outputs from the first stage, the second stage necessitates the use of a high-fidelity vehicle model and strict enforcement of the collision avoidance constraints as part of the trajectory planning problem. We evaluate the effectiveness of our proposed planner across diverse multi-lane scenarios. The results demonstrate that the proposed planner simultaneously generates a sequence of optimal decisions and the corresponding trajectory that significantly improves driving performance in terms of driving safety and traveling efficiency as compared to alternative methods. Additionally, we implement the closed-loop simulation in CARLA, and the results showcase the effectiveness of the proposed planner to adapt to changing driving situations with high computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google